基金項(xiàng)目：2022年橫向課題“廣西高速公路交通擁堵防治智能決策系統(tǒng)”（編號(hào)：GXHS-2022-016）；2021年廣西交通職業(yè)技術(shù)學(xué)院重點(diǎn)科研項(xiàng)目“廣西高速公路交通擁堵防治的研究與應(yīng)用”（編號(hào)：JZY2021KAZ05）；廣西高校中青年教師科研基礎(chǔ)能力提升項(xiàng)目“大數(shù)據(jù)背景下道路運(yùn)輸安全風(fēng)險(xiǎn)預(yù)警平臺(tái)研究與應(yīng)用”（編號(hào)：2022KY1122）；“基于‘AI視覺(jué)+機(jī)器學(xué)習(xí)’的交通場(chǎng)景應(yīng)用研究”（編號(hào)：2023KY1157）

作者簡(jiǎn)介：林立春（1974—），碩士，副教授，研究方向：計(jì)算機(jī)應(yīng)用技術(shù)和大數(shù)據(jù)技術(shù)。

摘要：基于門架和收費(fèi)站大數(shù)據(jù)的特征維數(shù)不高、數(shù)據(jù)量大、擁堵預(yù)測(cè)為模糊預(yù)測(cè)等特點(diǎn)，文章選擇支持向量回歸（SVR）方法作為交通擁堵預(yù)測(cè)算法并加以優(yōu)化研究。通過(guò)研究和實(shí)踐表明，利用ETC門架和收費(fèi)站數(shù)據(jù)能夠準(zhǔn)確地獲取高速公路區(qū)間平均車速、交通流量等信息，利用合適的模型能夠較為準(zhǔn)確地預(yù)測(cè)未來(lái)的擁堵?tīng)顟B(tài)。

關(guān)鍵詞：高速公路；交通擁堵；預(yù)測(cè)；門架；SVR

中圖分類號(hào)：U491.1⁺4

0 引言

隨著我國(guó)高速公路里程、機(jī)動(dòng)車保有量和交通運(yùn)輸業(yè)務(wù)的增加，高速公路的交通擁堵也越來(lái)越嚴(yán)重。而全國(guó)高速公路ETC門架（以下簡(jiǎn)稱門架）系統(tǒng)早在2019年底已完成23 974個(gè)，占比99.99%。門架產(chǎn)生的監(jiān)測(cè)數(shù)據(jù)以及眾多的收費(fèi)站數(shù)據(jù)，將其脫敏后，利用大數(shù)據(jù)分析等算法，可以科學(xué)地預(yù)測(cè)道路的擁堵程度。出行者可據(jù)此合理安排時(shí)間和路線，提高出行效率和經(jīng)濟(jì)效益，降低安全事故隱患，減少污染，節(jié)約寶貴的時(shí)間^［1］。

基于門架和收費(fèi)站大數(shù)據(jù)的特征維數(shù)不高、數(shù)據(jù)量大、擁堵預(yù)測(cè)為模糊預(yù)測(cè)等特點(diǎn)，文章選擇支持向量回歸（Support vector regression，簡(jiǎn)稱SVR）方法作為交通擁堵預(yù)測(cè)算法并加以優(yōu)化。

1 支持向量回歸理論

SVR方法認(rèn)為預(yù)測(cè)值與實(shí)際值偏差不大即認(rèn)為預(yù)測(cè)正確，不用計(jì)算損失，只有當(dāng)超出范圍時(shí)才計(jì)算損失，這極大地減少了數(shù)據(jù)的計(jì)算，尤其是復(fù)雜數(shù)據(jù)的計(jì)算，正符合交通擁堵預(yù)測(cè)的需求。

回歸預(yù)測(cè)模型SVR的預(yù)測(cè)輸出值f（x）的一般公式如式（1）所示。

f（x）=w^Tx+b""" （1）

式中：w——法向量；

b——位移項(xiàng)。

僅當(dāng)預(yù)測(cè)值與實(shí)測(cè)值y_i偏差大于ε時(shí)，即|f（x_i）-y_i|gt;ε時(shí)才計(jì)算損失，ε的計(jì)算如式（2）所示。

s.t.f（x_i）-y_i≤ε+ξ_iy_i-f（x_i）≤ε+ξ^*_iξ_igt;0，ξ^*_igt;0，i=1，2，…，N

式中：ξ_i和ξ^*_i——松弛變量，即允許少數(shù)樣本不落在以y_i為中心兩側(cè)ε寬的間隔帶內(nèi)；

C——懲罰函數(shù)。

定義拉格朗日函數(shù)如式（3）所示。

式中，μ_i≥0，μ^_i≥0，α_i≥0，α^_i≥0為拉格朗日乘子。根據(jù)拉格朗日對(duì)偶性得到：

假如解為α^*=（α^*₁，α^*₂，…，α^*_N），在α^^*=（α^^*₁，α^^*₂，…，α^^*_N）^T中找出α^*_j∈α^*且滿足Cgt;α^*_jgt;0，則有：

由此得出模型輸出的預(yù)測(cè)值f（x）為：

式中，K（x，x_i）為核函數(shù)，通過(guò)試驗(yàn)對(duì)比，選擇了徑向基核函數(shù)，如公式（7）所示。

σ為核帶寬參數(shù)，取值對(duì)預(yù)測(cè)效果有一定的影響。

2 擁堵預(yù)測(cè)模型

依據(jù)高速公路基本服務(wù)水平分析指標(biāo)與分級(jí)標(biāo)準(zhǔn)，文章將區(qū)間平均車速作為擁堵判斷指標(biāo)，共劃分6個(gè)交通擁堵?tīng)顩r等級(jí)^［2］，如表1所示。

2.1 預(yù)測(cè)模型整體架構(gòu)

建立SVR交通擁堵預(yù)測(cè)模型，整體架構(gòu)如圖1所示。先抽取特征，對(duì)特征數(shù)據(jù)降噪，并進(jìn)行歸一化處理，將歸一化后的數(shù)據(jù)集分為訓(xùn)練樣本集和預(yù)測(cè)樣本集，利用式（1）中的SVR算法進(jìn)行預(yù)測(cè)，根據(jù)上一預(yù)測(cè)周期的預(yù)測(cè)數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)的誤差，進(jìn)行修正計(jì)算本輪預(yù)測(cè)結(jié)果，評(píng)估模型，優(yōu)化參數(shù)，同時(shí)更新樣本集，逆歸一化，輸出結(jié)果。

2.2 抽取特征

目前，ETC門架、交調(diào)站、高清卡口、視頻監(jiān)控和浮動(dòng)車數(shù)據(jù)等已覆蓋全國(guó)90%以上高速公路，廣西已全區(qū)覆蓋。將門架數(shù)據(jù)、收費(fèi)站數(shù)據(jù)等多源數(shù)據(jù)進(jìn)行數(shù)據(jù)融合與清洗，脫敏后即可為高速路擁堵預(yù)防使用。例如對(duì)門架數(shù)據(jù)抽取如表2所示的特征。

2.3 降噪

如果某個(gè)特征中包含了大量的噪聲數(shù)據(jù)，結(jié)果會(huì)在一定程度上影響預(yù)測(cè)模型的魯棒性?；诂F(xiàn)實(shí)中高速公路上有個(gè)別車輛在服務(wù)區(qū)停車、路上拋錨、事故、數(shù)據(jù)缺失、識(shí)別異常等情況，表現(xiàn)為趨于分散、能量較小的噪聲，采用陳淑燕等^［3］等利用小波變換的方法可達(dá)到較滿意的降噪效果。

2.4 歸一化

交通流時(shí)間序列數(shù)據(jù)是隨機(jī)序列，若未歸一化，一來(lái)學(xué)習(xí)率大，二來(lái)收斂速度慢。對(duì)數(shù)據(jù)采用極差標(biāo)準(zhǔn)化歸一方法，將特征映射到［0，1］區(qū)間內(nèi)，如式（8）所示。

式中： x^*_i——第i個(gè)數(shù)據(jù)x_i的歸一化數(shù)據(jù)；

x_max和x_min——最大和最小值^［4］。

2.5 預(yù)測(cè)模型優(yōu)化

2.5.1 預(yù)測(cè)結(jié)果的修正計(jì)算

設(shè)時(shí)間窗步長(zhǎng)為S，當(dāng)預(yù)測(cè)出t+1時(shí)刻的值之后，要增減一個(gè)修正量。修正量δ_t+1的計(jì)算如式（9）所示。

即取距離預(yù)測(cè)時(shí)刻t+1最近的t-S+1，t-S+2，…，t等時(shí)刻的實(shí)測(cè)值與預(yù)測(cè)值差值的平均值為修正量。目的是使預(yù)測(cè)值的曲線更加貼近或圍繞實(shí)測(cè)值的曲線發(fā)展，使預(yù)測(cè)值進(jìn)一步逼近實(shí)測(cè)值，提高預(yù)測(cè)準(zhǔn)確度。實(shí)測(cè)值獲取方法見(jiàn)2.5.2。

2.5.2 平均車速實(shí)測(cè)值的計(jì)算

通過(guò)研究表2的數(shù)據(jù)內(nèi)容可發(fā)現(xiàn)，利用“vehicleSpeed”、“transTime”等多個(gè)數(shù)據(jù)可獲取統(tǒng)計(jì)周期內(nèi)（15 min、0.5 h、1 h……）每輛車的行駛速度，進(jìn)而得出統(tǒng)計(jì)周期（時(shí)間窗）內(nèi)的門架附近的平均車速v_s，如式（10）所示。

式中：v_i——第i輛車行駛速度；

n——統(tǒng)計(jì)周期內(nèi)通過(guò)門架的車輛總數(shù)，即交通流量。

收費(fèi)站附近的交通流量Q通過(guò)收費(fèi)數(shù)據(jù)很容易統(tǒng)計(jì)，但是統(tǒng)計(jì)收費(fèi)站附近的平均車速v_s較難。為計(jì)算收費(fèi)站附近的v_s，可以根據(jù)公式Q=Kv_s計(jì)算得出。Q為交通流量由收費(fèi)數(shù)據(jù)得出，K為平均車流密度。因?yàn)镵的采集難度較大，一般用時(shí)間占有率近似地表示K，計(jì)算公式如式（11）所示。

Occupancy=∑Δt_i/T""" （11）

式中：occupancy——時(shí)間占有率（%）；

Δt_i——第i輛車占用檢測(cè)器的時(shí)間（s）；

T——觀測(cè)時(shí)間段的長(zhǎng)度（s）。

得出K后，通過(guò)Q=Kv_s近似地計(jì)算出收費(fèi)站附近的平均車速。

在得出統(tǒng)計(jì)周期內(nèi)門架和收費(fèi)站平均車速之后，結(jié)合門架數(shù)據(jù)“gantryId”的GPS位置可知高速公路各個(gè)區(qū)間段的實(shí)時(shí)平均車速v_s和交通流量Q。

2.5.3 SVR參數(shù)的優(yōu)化

SVR預(yù)測(cè)中，影響預(yù)測(cè)結(jié)果的參數(shù)有C、ε和σ三個(gè)。針對(duì)于式（6）、式（7）所示的預(yù)測(cè)函數(shù)，主要是調(diào)整核帶寬參數(shù)σ，以期達(dá)到預(yù)測(cè)的最優(yōu)解。

在試驗(yàn)中，閾值范圍為0.01～0.618，初始為0.1。實(shí)際應(yīng)用時(shí)可在每日凌晨3：00-5：00（也可設(shè)置為每周、每月優(yōu)化一次SVR參數(shù)）服務(wù)器負(fù)載最低的時(shí)段將前一天或前一周的歷史數(shù)據(jù)，通過(guò)差分灰狼優(yōu)化（Differential Evolution-Grey Wolf Optimizer，DE-GWO）算法^［5］計(jì)算出每條高速公路的K個(gè)認(rèn)為比較理想的SVR參數(shù)，并記錄每個(gè)參數(shù)對(duì)應(yīng)的均方根誤差（RMSE），作為接下來(lái)預(yù)測(cè)時(shí)使用的備選SVR參數(shù)。

在新的預(yù)測(cè)中，例如預(yù)測(cè)t+1時(shí)間的擁堵情況時(shí)，t時(shí)間的實(shí)測(cè)值已經(jīng)計(jì)算得出，計(jì)算t時(shí)間的預(yù)測(cè)值和實(shí)測(cè)值之間的RMSE，如果RMSE小于或等于該參數(shù)的最小誤差，更新最小誤差，且繼續(xù)使用該參數(shù)，并將該參數(shù)的使用次數(shù)+1；如果RMSE在允許范圍內(nèi)，仍繼續(xù)使用該參數(shù)，并將該參數(shù)的使用次數(shù)+1；如果RMSE誤差較大超過(guò)允許范圍，繼續(xù)判斷預(yù)測(cè)值偏大還是偏小。如果偏大，從備選參數(shù)中選擇當(dāng)前參數(shù)的近鄰參數(shù)，該近鄰參數(shù)應(yīng)該同樣使得產(chǎn)生的預(yù)測(cè)值比實(shí)測(cè)值偏大，且使用次數(shù)是最大的；如果偏小，從另一側(cè)選擇使用次數(shù)最大的近鄰參數(shù)。循環(huán)往復(fù)下去，目的是選擇“最優(yōu)”參數(shù)。

2.5.4 循環(huán)滾動(dòng)更新樣本集

循環(huán)滾動(dòng)預(yù)測(cè)的原理是在數(shù)據(jù)長(zhǎng)度保持不變的情況下，對(duì)訓(xùn)練樣本集、預(yù)測(cè)樣本集循環(huán)滾動(dòng)地加入新的數(shù)據(jù)，剔除舊的數(shù)據(jù)。這種不斷向前更新數(shù)據(jù)集建立的數(shù)據(jù)序列能更好地反映出高速公路狀態(tài)的最新特征，體現(xiàn)出訓(xùn)練樣本集、預(yù)測(cè)樣本集的動(dòng)態(tài)變化。因更改了樣本集，故動(dòng)態(tài)數(shù)據(jù)集還在一定程度上解決了過(guò)擬合的問(wèn)題。實(shí)施過(guò)程為：

設(shè)定時(shí)間窗步長(zhǎng)為S，則輸入數(shù)據(jù)為X={X₁，X₂，…，X_S}，這里X_i={d_i，d_i+1，…，d_N-S+p-1}，1≤i≤S;i，S∈N。實(shí)測(cè)對(duì)比數(shù)據(jù)為Y={Y₁，Y₂，…，Y_S}，Y_i={d_i+1，d_i+2，…，d_N-S+p}。下一個(gè)時(shí)間窗X_i從d_i+1開(kāi)始，Y_i則從d_i+2開(kāi)始，循環(huán)向前滾動(dòng)，不停地預(yù)測(cè)下一時(shí)段的交通狀態(tài)。

2.6 輸出預(yù)測(cè)結(jié)果

在預(yù)測(cè)得出區(qū)間平均車速v_s后，即可建立每個(gè)門架以及收費(fèi)站所處區(qū)域的速度演變趨勢(shì)圖。當(dāng)v_s連續(xù)兩個(gè)周期低于65 km/h時(shí)，可通過(guò)相關(guān)管控平臺(tái)軟件進(jìn)行擁堵預(yù)警（管控平臺(tái)面向管理者，還可通過(guò)公眾號(hào)或App面向出行者），并提醒管理者及時(shí)介入，主動(dòng)預(yù)防可能出現(xiàn)的更大擁堵^［6］。

3 結(jié)果表征

基于上述預(yù)測(cè)算法，選擇南寧東至六景西樞紐高速公路段進(jìn)行預(yù)測(cè)與實(shí)測(cè)，得到預(yù)測(cè)的平均車速與實(shí)測(cè)的平均車速，如圖2所示，表3為對(duì)應(yīng)的預(yù)測(cè)與后來(lái)計(jì)算得出的實(shí)測(cè)數(shù)據(jù)。此實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)周期為60 min，即預(yù)測(cè)未來(lái)1 h內(nèi)的擁堵情況。圖2中虛線為實(shí)測(cè)值，實(shí)線為預(yù)測(cè)值。當(dāng)出現(xiàn)交通流突變時(shí)，誤差略微增大?？傮w情況是預(yù)測(cè)值圍繞實(shí)測(cè)值上下波動(dòng)，預(yù)測(cè)精度較為理想。

在誤差分析中采用常見(jiàn)的重要指標(biāo)有：平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）。和常見(jiàn)的支持向量機(jī)（SVM）、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）進(jìn)行對(duì)比，發(fā)現(xiàn)本文經(jīng)過(guò)優(yōu)化后的SVR預(yù)測(cè)精度最高。預(yù)測(cè)誤差對(duì)比如表4所示。

4 結(jié)語(yǔ)

通過(guò)研究和實(shí)踐表明，利用ETC門架和收費(fèi)站數(shù)據(jù)能夠準(zhǔn)確地獲取高速公路區(qū)間平均車速、交通流量等信息，利用合適的模型能夠較為準(zhǔn)確地預(yù)測(cè)未來(lái)的擁堵?tīng)顟B(tài)。

非門架附近的區(qū)域，在具有方便獲取浮動(dòng)車相關(guān)GPS數(shù)據(jù)的情況下，同樣適用于本研究方法。

上述預(yù)測(cè)算法主要針對(duì)常發(fā)性擁堵，當(dāng)遇到交通事故等不可預(yù)測(cè)的偶發(fā)性擁堵時(shí)，算法具有較大的滯后性。解決辦法是車主第一時(shí)間報(bào)警，交警及時(shí)把數(shù)據(jù)反饋給平臺(tái)、公眾號(hào)、APP或高速公路管理部門，做出下一步擁堵預(yù)防措施。例如，全國(guó)已有部分高速公路交警支隊(duì)和百度地圖、高德地圖等相關(guān)方合作，及時(shí)反饋交通擁堵情況，以防止更嚴(yán)重、更大范圍的交通擁堵。此法已試行較長(zhǎng)一段時(shí)間，效果較好。而且，隨著北斗衛(wèi)星精確定位的普及，還可以通過(guò)浮動(dòng)車數(shù)據(jù)獲取偶發(fā)性擁堵情況。

其他諸如極端天氣、泥石流、塌方等自然災(zāi)害，或者臨時(shí)養(yǎng)護(hù)、交通稽查等造成的偶發(fā)性擁堵，需要管理者通過(guò)天氣預(yù)報(bào)、作業(yè)申請(qǐng)和管理部門的通知等信息及時(shí)地預(yù)警及管控。重大節(jié)假日亦應(yīng)通過(guò)算法預(yù)測(cè)和人工介入進(jìn)行擁堵預(yù)防，以實(shí)現(xiàn)較好的擁堵防治效果。

擁堵預(yù)防不僅從微觀上能夠帶來(lái)減少用時(shí)、節(jié)約經(jīng)濟(jì)、綠色環(huán)保等好處；從宏觀上來(lái)看，還可深度融入“一帶一路”，加快城鎮(zhèn)化進(jìn)程，構(gòu)建智能、平安、綠色、共享的現(xiàn)代化綜合交通體系，協(xié)助相關(guān)部門實(shí)現(xiàn)道路智能化管理，提高交通科學(xué)治理和服務(wù)水平，助力建設(shè)交通強(qiáng)國(guó)。

參考文獻(xiàn)

［1］林立春，洪 東，劉 華.基于大數(shù)據(jù)分析和多模融合的交通擁堵高效預(yù)測(cè)技術(shù)［J］.西部交通科技，2021（7）：151-155.

［2］黃承鋒.基于改進(jìn)GA算法的高速公路交通擁堵?tīng)顩r預(yù)測(cè)［J］.吉林大學(xué)學(xué)報(bào)（信息科學(xué)版），2022（3）：198-205.

［3］陳淑燕，王 煒，李文勇.實(shí)時(shí)交通數(shù)據(jù)的噪聲識(shí)別和消噪方法［J］.東南大學(xué)學(xué)報(bào)（自然科學(xué)版），2006（3）：322-325.

［4］Lichun Lin，Shi Tong. Automatic Spatial Annotation of Image Based on Object Recognition ［J］.Journal of Informationamp;Computational Science. 2013，10（18）：5 829-5 847.

［5］鄭曉亮，陳華亮，來(lái)文豪.參數(shù)優(yōu)化的SVR移動(dòng)網(wǎng)絡(luò)流量預(yù)測(cè)［J］.計(jì)算機(jī)應(yīng)用與軟件，2022（9）：278-284.

［6］王 健.基于ETC系統(tǒng)數(shù)據(jù)的高速公路主動(dòng)管控建設(shè)探討［J］.中國(guó)交通信息化，2020，251（12）：99-101.

收稿日期：2023-03-30